AI at cybersecurity: kung paano inaatake at ipinagtatanggol ang mga sistema

Formarse » Libreng mga kurso sa online » AI at cybersecurity: kung paano inaatake at ipinagtatanggol ang mga sistema

Ang artificial intelligence at cybersecurity ay naging hindi mapaghihiwalay sa digital na mundo ngayon. Ang bawat pag-click, bawat online na pagbili, at bawat piraso ng data na ina-upload natin sa cloud ay nagbubukas ng potensyal na pinto sa mga pag-atake, ngunit lumilikha rin ng mga pagkakataon upang mas mahusay na ipagtanggol ang ating sarili. Sa kasalukuyan, ang AI ay hindi lamang isang mainit na paksa: ito ang teknolohiyang muling nagbibigay-kahulugan kung paano inaatake at pinoprotektahan ang mga sistema.

Kasabay nito, ang AI ay isa ring tabak na may dalawang talim: umaasa rito ang mga cybercriminal upang pinuhin ang kanilang mga panloloko, lumikha ng mga pekeng nilalaman na sobrang makatotohanan, at i-automate ang mga pag-atake na dating nangangailangan ng malaking oras at pagsisikap ng tao. Samakatuwid, ang pag-unawa kung paano ginagamit ang AI para sa parehong pag-atake at depensa ay mahalaga para sa sinumang indibidwal o organisasyon na gustong mag-navigate sa internet nang may pinakamababang antas ng seguridad.

AI bilang isang kasangkapan sa pag-atake: mga deepfake, scam, at advanced phishing

Nakakabahala ang unang bahagi ng baryang ito: Ginawang demokratiko ng AI ang pag-access sa mga makapangyarihang kagamitan para sa paglikha ng mga nakakakumbinsing pekeng nilalaman sa malawakang saklaw. Ang dating nangangailangan ng advanced na teknikal na kaalaman ay abot-kamay na ngayon ng sinumang may computer at kaunting malisya.

Sa larangan ng pagsulat na nakabatay sa teksto, ang mga modelong katulad ng ChatGPT ay nagbibigay-daan para sa pagbuo ng mga email, artikulo, at mga post sa social media na may perpektong at walang pagkakamaling istilo—perpekto para sa mga kampanya ng disinformation, pekeng balita, o mga personalized na scam. Maaaring iakma ng mga umaatake ang wika sa tono ng isang kumpanya, isang institusyon, o kahit gayahin ang istilo ng pagsusulat ng isang partikular na indibidwal.

Sa video, ang mga tool tulad ng DeepFaceLab at iba pang deepfake solution ay ginagawang madali ang pagpapalit ng mga mukha sa mga totoong recording , kaya halos imposibleng makilala ang orihinal mula sa na-edit na footage. Binubuksan nito ang pinto sa mga pekeng video ng mga ehekutibo na nag-uutos ng mga money transfer, mga pulitikong nagsasabi ng mga bagay na hindi nila kailanman sinabi, o mga celebrity na nag-eendorso ng mga produktong hindi umiiral.

Sa larangan ng audio, ang voice cloning software, tulad ng mas lumang Lyrebird at mga katulad na kasalukuyang solusyon, ay kayang gayahin ang mga tono ng boses nang may kahanga-hangang katumpakan mula lamang sa ilang minutong pagre-record. Ang resulta ay malalalim na boses na may mga pariralang hindi talaga sinabi ng totoong tao, ngunit tila lubos na kapani-paniwala sa sinuman.

Isang napaka-ilustratibong halimbawa ay ang mga panloloko sa telepono kung saan kinokopya ng mga kriminal ang boses ng isang kamag-anak ng biktima. Sa isang agarang tawag, ang umano'y anak, ama, o kapatid na lalaki ay humiling ng agarang paglilipat, na nagsasabing mayroong emergency. Nakilala ng biktima ang boses, hindi pinaghihinalaan ang panloloko, at sa huli ay nagpadala ng malaking halaga ng pera sa account ng kriminal.

Social engineering na pinapagana ng AI: mula sa mass phishing hanggang sa surgical spear phishing

Ang social engineering ay kinabibilangan ng pagmamanipula sa mga tao na magbigay ng sensitibong impormasyon, mag-install ng malware, o magsagawa ng mga aksyon na makakabuti sa umaatake. Gamit ang generative AI, ang mga pamamaraang ito ay gumawa ng isang makabuluhang hakbang pasulong sa katumpakan at dami.

Hanggang kamakailan lamang, ang pag-oorganisa ng isang naka-target na kampanya sa phishing ay nangangailangan ng masusing pagsisiyasat sa biktima : ang kanilang mga kontak, ang kanilang mga titulo sa trabaho, ang kanilang mga nakagawian, ang mga panloob na terminolohiya ng kanilang kumpanya… Ito ay isang mabagal at magastos na proseso, kaya hindi ito maaaring gawin sa malawakang saklaw. Sa kasalukuyan, kayang suriin ng AI ang social media, balita, at mga pampublikong mapagkukunan upang bumuo ng isang detalyadong profile ng target na indibidwal o grupo sa loob lamang ng ilang minuto.

Ang mga mapanlinlang na mensahe ay hindi na lamang mga email na puno ng error na tinutugunan bilang "mahal na customer": maaari na nilang banggitin ang mga aktwal na proseso ng kumpanya, pangalan ng mga kasamahan, o mga patuloy na proyekto . Ito ay kilala bilang spear phishing, mga highly personalized na phishing attack na kumakatawan lamang sa 0,1% ng lahat ng email, ngunit nasa likod ng humigit-kumulang 66% ng mga paglabag sa seguridad, ayon sa mga pag-aaral sa industriya.

Bukod sa mga tradisyunal na email, lumaganap din ang iba pang mapanlinlang na paraan: SMS (smishing), mga mensahe sa social media, mga tawag sa telepono (vishing), "nakalimutang" USB drive (baiting), at mga minanipulang QR code (QRishing) . Gamit ang generative AI, napakadaling gumawa ng mga pinakintab na teksto, walang mga pagkakamali sa gramatika at may tono na ginagaya ang tono ng mga bangko, kumpanya ng courier, platform ng cryptocurrency, o mga ahensya ng gobyerno.

Isa sa mga pinakakaraniwang pamamaraan ay ang paggamit ng mga pekeng platform ng pamumuhunan o cryptocurrency na maingat na ginawa , kung saan ipinapasok ng mga biktima ang kanilang mga kredensyal sa paniniwalang ina-access nila ang kanilang lehitimong broker. Pagkatapos ay ginagamit ng mga umaatake ang impormasyong ito upang kumonekta sa mga totoong account at maubos ang mga pondo, nang halos walang naiiwang bakas.

Tunay na epekto ng mga cyberattack at pagbabago ng mga target

Ang pagtaas ng sopistikasyon na ito ay direktang makikita sa mga datos. Ayon sa kamakailang datos mula sa National Cybersecurity Institute (INCIBE), ang Espanya ay nakapagtala ng mahigit 97.000 insidente ng cybersecurity sa isang taon , na may dobleng digit na pagtaas kumpara sa nakaraang taon. Ang problema ay hindi lamang teknikal: direktang nakakaapekto ito sa reputasyon at kaligtasan ng mga negosyo.

Hindi nakakagulat na humigit-kumulang 64% ng mga ehekutibo sa Espanya ang naniniwala na ang isang malubhang pag-atake sa cyber sa imahe ng kanilang organisasyon ay maaaring makapinsala nang malaki sa kanilang negosyo. Bukod sa ninakaw na pera, may mga parusa para sa hindi pagsunod sa mga regulasyon, pagkawala ng tiwala ng customer, at mga panloob na gastos sa pamamahala ng krisis.

Nagbago na rin ang mga pangunahing target ng mga umaatake. Dati, ang pinakakaraniwang layunin ay ang pagkuha ng mga kredensyal sa pagbabangko o mga direktang pagbabayad sa pamamagitan ng panlilinlang. Dahil sa malawakang paggamit ng malalakas na pamamaraan ng pagpapatotoo (tulad ng biometrics o two-factor authentication), lalong nakatuon ang mga umaatake sa pag-install ng malware sa mga device upang magkaroon ng patuloy na kontrol, makagalaw nang pahilis sa network, at makakuha ng mahalagang impormasyon sa pangmatagalan.

Nagtataguyod din ang internet ng pakiramdam ng pagiging hindi kilala: hindi kailangang pisikal na ilantad ng mga kriminal ang kanilang mga sarili , maaari nilang i-automate ang maraming proseso, at sabay-sabay na atakihin ang libu-libo o milyun-milyong gumagamit. Idagdag pa ang generative AI na agad na gumagawa ng teksto, audio, at video, at magkakaroon ka ng perpektong lugar para sa mga sopistikadong malawakang pag-atake.

Paano nakakatulong ang AI na palakasin ang cybersecurity

Dahil sa ganitong sitwasyon, ang magandang balita ay ang AI ay isa ring makapangyarihang kakampi para sa depensa . Ang mga security team ay nahaharap sa mas maraming data kaysa dati, mga hybrid na kapaligiran (cloud + on-premises), at isang patuloy na lumalawak na attack surface. Kung walang automation at matatalinong modelo, magiging imposibleng makasabay.

Isa sa mga pinakamalinaw na aplikasyon ay ang mabilis na pagtuklas ng mga banta . Ang mga solusyon tulad ng SIEM, XDR, at NDR ay bumubuo at nagsasama-sama ng libu-libong kaganapan bawat segundo: mga pag-login, pagbabago ng configuration, trapiko sa network, mga log ng application, at marami pang iba. Karamihan ay hindi nakakapinsala, ngunit ang ilan ay nagpapahiwatig ng isang patuloy na pag-atake. Sinusuri ng mga modelo ng AI ang mga pattern, iniuugnay ang mga nakakalat na signal, at itinataas lamang ang mga insidente na tunay na mahalaga sa pangkat ng tao.

Pinapadali rin ng AI ang paglikha ng mga ulat at naaaksyunang impormasyon . Gamit ang maraming pinagmumulan ng datos (mga log, endpoint telemetry, mga external threat feed, trapiko sa network), maaari itong bumuo ng malinaw at natural-language na mga buod na maaaring agad na ibahagi ng isang analyst sa pamamahala, legal, o anumang iba pang apektadong departamento.

Ang isa pang mahalagang aspeto ay ang pamamahala ng mga kahinaan na kadalasang hindi napapansin: mga hindi kilalang device sa network, mga hindi na-imbentaryong cloud application, mga hindi na-patch na operating system, o mga nakalantad na sensitibong data. Dito, ang mga algorithm ay dalubhasa sa pagtukoy ng mga paglihis mula sa "normal na estado" ng kapaligiran.

Bukod pa rito, ang generative AI ay nakakatulong upang mapababa ang hadlang sa pagpasok para sa mga junior analyst. Dahil sa mga conversational interface, hindi na kailangang malaman kung paano sumulat ng mga kumplikadong query upang siyasatin ang isang insidente; ang mga tanong ay maaaring buuin sa natural na wika, at ang mga analyst ay makakatanggap hindi lamang ng datos kundi pati na rin ng mga mungkahing pagwawasto at mga rekomendasyong estratehiko.

Mga partikular na aplikasyon ng AI sa cybersecurity

Upang maisagawa ang lahat ng nabanggit, ang AI ay malawakang ginagamit na sa maraming patong ng depensa , mula sa endpoint hanggang sa network, kabilang ang cloud at user authentication.

Sa proteksyon at pagpapatotoo ng password , sinusuri ng mga modelo ng panganib ang gawi ng bawat pagtatangka sa pag-login: lokasyon, device, oras, istilo ng pagta-type, mga landas sa pag-browse, atbp. Kapag ang pattern ay lumihis mula sa inaasahan, pinapalakas ang beripikasyon (halimbawa, sa pamamagitan ng paghingi ng mga karagdagang hakbang) o naharangan ang pagtatangka, na binabawasan ang pandaraya sa napakataas na porsyento.

Sa pagtukoy at pagpigil sa pagnanakaw ng pagkakakilanlan , sinusuri ng AI ang konteksto ng isang transaksyon o kahilingan sa totoong oras (pagbabago ng IBAN, pagpaparehistro ng benepisyaryo, pag-access sa sensitibong data) at inaayos ang antas ng seguridad nang naaayon. Inihahambing din nito ang dating gawi ng gumagamit sa kanilang kasalukuyang gawi upang matukoy kung tumutugma ito o nagmumungkahi ng isang nakompromisong account.

Sa pamamahala ng kahinaan , inuuna ng machine learning kung aling mga depekto ang unang aayusin batay sa posibilidad ng pagsasamantala, ang pagiging kritikal ng mga apektadong sistema, at ang aktwal na aktibidad na naobserbahan sa network. Hindi sapat ang malaman lamang kung anong mga kahinaan ang umiiral; kailangan mong magpasya kung saan itutuon ang iyong mga pagsisikap.

Sa seguridad ng network , sinusuri ng mga modelo ang trapiko upang matukoy ang mga anomalya, paggalaw sa gilid, paglabas ng datos, o mga komunikasyon sa mga command at control server. Ang mga solusyon sa Network Detection and Response (NDR) na nakabatay sa AI ay partikular na epektibo para sa layuning ito.

Panghuli, sa pagsusuri ng pag-uugali (ng mga gumagamit at sistema), ang mga algorithm ay bumubuo ng isang profile ng normalidad at nagtataas ng mga flag kapag may lumihis sa pattern: pag-access sa mga kakaibang oras, napakalaking query sa database, hindi pangkaraniwang paggamit ng bandwidth, o pagpapatupad ng mga madalang na proseso.

Mga nangungunang tool sa cybersecurity na pinapagana ng AI

Mayroon nang isang ganap na ecosystem ng mga solusyon sa cybersecurity sa merkado, na isinasama ang AI at machine learning sa iba't ibang antas. Ang bawat isa ay nakatuon sa isang partikular na aspeto ng problema, bagama't maraming platform ang may posibilidad na sakupin ang buong siklo: pag-iwas, pagtuklas, pagtugon, at post-analysis.

Ang mga solusyon sa seguridad ng endpoint na pinapagana ng AI ay higit na pumalit sa tradisyonal na modelo ng antivirus na nakabatay sa signature. Sa halip na umasa sa mga static na listahan, sinusuri ng mga produktong ito ang pag-uugali ng mga proseso at aplikasyon sa real time, tinutukoy ang mga kahina-hinalang pattern, at hinaharangan ang aktibidad bago pa man kumalat ang malware.

Ang mga next-generation firewall (NGFW) na may kakayahan sa AI ay hindi lamang nagsasala ng trapiko ayon sa mga port at IP address, kundi sinusuri rin ang nilalaman, tinutukoy ang mga partikular na aplikasyon, tinutukoy ang mga abnormal na pattern, at naglalapat ng mga dynamic access policy batay sa panganib na agad nilang kinakalkula.

Ang mga modernong platform ng SIEM (Security Information and Event Management) ay nagsama ng machine learning upang iugnay ang mga kaganapang nakakalat sa buong imprastraktura. Nagbibigay-daan ito sa pagtuklas ng mga kumplikadong insidente na, kung titingnan nang hiwalay, ay magmumukhang hindi nakakapinsala.

Sa cloud, maraming provider ang nag-aalok ng mga solusyon sa seguridad na nakabatay sa AI para sa mga IaaS, PaaS, at SaaS na kapaligiran. Tinutukoy ng mga tool na ito ang mga hindi secure na configuration, kahina-hinalang access sa mga privileged account, at irregular na pag-uugali sa mga kritikal na serbisyo tulad ng corporate email o pag-iimbak ng dokumento.

Panghuli, ang mga solusyon sa NDR na pinapagana ng AI ay naging mahalaga sa mga kumplikadong network. Ang kanilang pangunahing tungkulin ay makinig sa trapiko, kumuha ng mga kaugnay na tampok, at tuklasin ang parehong kilala at ganap na bagong mga pattern ng banta sa cyber.

Mga representatibong halimbawa ng mga tool na gumagamit ng AI sa cybersecurity

Bukod sa mga pangkalahatang kategorya, may mga kilalang konkretong solusyon na malinaw na naglalarawan kung paano natutupad ang paggamit ng AI sa mga totoong produkto na nakatuon sa mga negosyo at mga end user.

Halimbawa, ang ilang mga tagagawa na dalubhasa sa mga operating system ng Mac at Windows ay nagsasama ng mga machine learning engine na sumusuri sa pag-uugali ng malware sa real time. Ang kanilang diskarte ay pang-iwas: nilalayon nilang pigilan ang mga pag-atake bago pa man ito magdulot ng pinsala, gamit ang malalaking sample repository upang matukoy ang mga pagkakatulad sa mga umuusbong na banta.

Ang iba pang mga platform, tulad ng mga nakatuon sa pagtatanggol sa mga corporate network gamit ang isang "immune" na diskarte , ay umaasa sa mga modelo na natututo sa normal na pag-uugali ng bawat kapaligiran. Kapag nakakita sila ng hindi pangkaraniwang aktibidad sa trapiko o mga aksyon ng user, inihihiwalay nila ang mga device, pinuputol ang mga potensyal na mapaminsalang koneksyon, at pinipino ang kanilang mga algorithm sa bawat insidenteng nahawakan.

Mayroon ding mga solusyon na idinisenyo upang matukoy ang mga banta sa Office 365, Azure AD, Microsoft 365, o AWS gamit ang mga modelo ng AI na patuloy na sinusubaybayan ang paggamit ng mga cloud platform na ito. Karaniwang nag-iiba ang presyo depende sa saklaw: mula sa mababang buwanang bayarin para sa mga pangunahing tampok hanggang sa mataas na singil para sa advanced na saklaw ng mga kumplikadong kapaligiran sa cloud.

Sa larangan ng pagprotekta sa mga end user mula sa mga scam , lumitaw ang mga libreng tool na nagsusuri ng mga kahina-hinalang mensahe, screenshot, at text upang matukoy ang mga senyales ng pandaraya. Ang mga solusyong ito ay gumagamit ng malalaking database ng mga kilalang scam, gumagamit ng natural language processing upang matukoy ang mga pulang bandila (mga emergency, regalo, premyo, blackmail), at nagfa-flag ng nilalaman bilang mapanganib kapag natukoy ng mga ito ang mga tumutugmang pattern.

Sa high-end enterprise market, pinagsasama ng mga cloud-native platform para sa endpoint detection and response (EDR) at extended protection (XDR) ang mga magaan na sensor sa mga device, isang matibay na AI-powered cloud analytics infrastructure, at mga highly visual console. Ang kanilang layunin ay bawasan ang oras ng pag-detect at pagtugon at bigyan ang mga security team ng kumpletong konteksto para sa bawat insidente.

Pagsasanay at mga propesyonal na profile sa AI at cybersecurity

Ang pangangailangan para sa talento na pinagsasama ang malalim na kaalaman sa cybersecurity at artificial intelligence ay mabilis na lumalaki. Ang mga unibersidad at mga espesyalisadong sentro ay nag-aalok na ng mga digri at programang master na partikular na idinisenyo upang matugunan ang pangangailangang ito.

Ang mga kurikulum na ito ay karaniwang nagsisimula sa isang matibay na pundasyon sa pangkalahatang computing, matematika at programming , at umuunlad patungo sa mga advanced na asignatura sa AI (machine learning, deep learning, data mining, robotics, computer vision) at mga partikular na security module (networking, cryptography, secure software engineering, pentesting, incident response, computer forensics).

Bukod pa rito, marami sa mga programang ito ay kinabibilangan ng mga natatanging hybrid na paksa, tulad ng cybersecurity sa mga AI system , cybersecure AI system, katatagan at kakayahang maipaliwanag , at seguridad sa mga cloud at IoT environment. Ang layunin ay para sa mga propesyonal sa hinaharap na maprotektahan ang mga modelo ng AI mula sa mga pag-atake at maisama ang AI upang palakasin ang mga depensibong sistema.

Iba-iba ang mga oportunidad sa karera: mga security administrator, mga secure application developer, mga security analyst, mga solution architect, mga consultant, mga auditor, mga ethical hacker, mga malware analyst, CSO/CISO at, sa panig ng AI, mga intelligent systems engineer, mga R&D specialist, mga eksperto sa machine learning na ginagamit sa seguridad at mga data analyst na nakatuon sa mga cyber threat.

Inihahanda rin ng ganitong uri ng pagsasanay ang mga nagtapos na sumali sa mga pangkat ng pananaliksik sa mga unibersidad, mga institusyong teknolohikal o mga departamento ng R&D ng mga kumpanya, kung saan nagtatrabaho sila sa mga bagong ligtas na arkitektura, mga advanced na defensive algorithm at mga aplikasyon ng AI sa mga industriyal, robotic o cyber-physical na kapaligiran.

AI, machine learning at deep learning: ano talaga ang ginagawa nila para sa seguridad

Mahalagang linawin ang ibig sabihin ng AI, machine learning (ML) at deep learning (DL) kapag pinag-uusapan natin ang cybersecurity, dahil kadalasang pinagsama-sama ang mga teknolohiyang hindi magkapareho.

Ang artipisyal na katalinuhan, sa pangkalahatan, ay sumasaklaw sa mga pamamaraan na naglalayong gayahin ang mga "matalinong" kakayahan (pangangatwiran, pagkatuto, paggawa ng desisyon). Ang machine learning ay isang subfield na nakatuon sa pagpapagana ng mga sistema na matuto mula sa datos, pagtukoy ng mga pattern at pagpapabuti ng kanilang pagganap gamit ang karanasan.

Sa kabilang banda, ang deep learning ay gumagamit ng mga multi-layered neural network upang iproseso ang kumplikadong impormasyon. Sa seguridad, ginagamit ang deep learning, halimbawa, upang suriin ang trapiko sa network, uriin ang malware, tuklasin ang mga anomalya, at bigyang-kahulugan ang mga imahe at audio, bagama't kadalasan pa rin itong isinama sa mas pangkalahatang mga balangkas ng machine learning.

Sa cybersecurity, ang kasalukuyang machine learning ay lubos na nakatuon sa katumpakan sa mga partikular na gawain : kung bibigyan ng isang dataset, ang paghahanap ng pinakamahusay na posibleng desisyon sa loob ng balangkas na iyon. Hindi nito "naiintindihan" ang konteksto tulad ng isang tao, ngunit hindi ito mapapalitan pagdating sa pagproseso ng malalaking dami ng impormasyon at paghahanap ng mga ugnayan na hindi nakikita ng hubad na mata.

Ang pinaka-autonomous na AI, na may kakayahang malikhain at abstraktong pangangatwiran tulad ng isang tao, ay malayo pa rin sa paggamit sa produksyon para sa mga kritikal na gawain sa seguridad. Sa kasalukuyan, ang mainam na papel ng mga sistemang ito ay upang mapahusay ang mga kakayahan ng mga pangkat ng tao, hindi ang palitan ang mga ito.

Mga pangunahing tungkulin ng machine learning sa cybersecurity

Sa loob ng modernong seguridad, ang machine learning ay inilalapat sa ilang mahahalagang tungkulin na tumutulong sa pag-uuri, pagpapangkat, pagrekomenda, at paghula ng mga pag-uugali na may kaugnayan sa mga banta at kahinaan.

Ang pag-uuri ng datos ay gumagamit ng mga sinanay na tuntunin at modelo upang lagyan ng label ang mga punto ng datos: uri ng file, kategorya ng trapiko, at uri ng isang kaganapan. Ito ay mahalaga sa pag-unawa sa kung ano ang nakikita sa mga log at kung paano umaangkop ang bawat elemento sa pangkalahatang larawan.

Ang data clustering ay nagbibigay-daan sa pagtuklas ng mga koleksyon ng mga bihira o hindi pangkaraniwang mga kaganapan na may mga hindi pangkaraniwang katangian. Ito ay lalong kapaki-pakinabang para sa pagsusuri ng mga bagong pag-atake, mga pamamaraan na hindi matatagpuan sa mga database, o mga pattern na hindi pa pormal na nakatalogo.

Ang mga inirerekomendang hakbang ng pagkilos ay isa pang tipikal na resulta ng machine learning sa mga security tool: batay sa mga desisyong ginawa noon tungkol sa mga katulad na insidente, iminumungkahi ng sistema kung ano ang gagawin kapag lumitaw ang isang katulad na sitwasyon. Hindi ito nagdedesisyon nang mag-isa, ngunit nagbibigay ito ng gabay at nakakatipid ng oras ng koponan.

Ang pagbubuo ng mga posibilidad at predictive forecasting ay mas nagpapataas pa ng antas nito: ang mga senaryo ng pag-atake ay minomodelo, ang mga panganib ng ilang partikular na configuration o aksyon ay tinatasa, at ang mga posibleng kahihinatnan ay inaasahan. Halimbawa, inilalapat ito sa pagtukoy ng pandaraya, pag-iwas sa paglabag sa datos, at predictive endpoint protection.

Mga praktikal na halimbawa ng paggamit ng ML sa seguridad

Para mas makita ito sa mas konkretong paraan, mahalagang suriin ang ilang konkretong halimbawa kung saan ang machine learning ay nakakagawa na ng malaking pagbabago sa cybersecurity.

Sa pag-uuri ng datos at pagsunod sa privacy , ang mga modelo ay nakakatulong na paghiwalayin ang personal na impormasyong makikilala mula sa hindi nagpapakilala o hindi gaanong sensitibong datos. Mahalaga ito para sa pagsunod sa mga regulasyon tulad ng GDPR o CCPA at para sa mabilis na pagtugon kapag ginamit ng isang user ang kanilang karapatan na mag-access o magbura.

Ipinapakita ng mga profile ng pag-uugali ng gumagamit kung paano karaniwang kumikilos ang bawat empleyado: mga iskedyul, mga application na ginagamit, dami ng data, at mga karaniwang lokasyon. Mula rito, maaaring matukoy ang kahina-hinalang pag-access o hindi pangkaraniwang aktibidad, na mas naaayon sa isang nanghihimasok kaysa sa isang lehitimong gumagamit.

Gayundin, ang mga profile ng pagganap ng sistema ay ginagawa upang ilarawan kung paano kumikilos ang isang computer o server kapag ito ay malusog. Ang mga hindi pangkaraniwang pagtaas ng CPU, labis na paggamit ng network, o mga hindi pangkaraniwang pagbasa ng disk ay maaaring magpahiwatig ng mga impeksyon, mga malisyosong proseso, o pag-exfiltrate ng data.

Ang pag-block sa bot batay sa pag-uugali ay isa pang malawakang aplikasyon: sa pamamagitan ng pagkakaiba sa pagitan ng trapiko ng tao at awtomatikong trapiko, maaaring i-filter ang access mula sa mga malisyosong script at botnet na nagtatangkang magnakaw ng mga kredensyal, magtanggal ng mga serbisyo, o mag-scrape ng nilalaman.

Mga hamon, panganib at kinabukasan ng AI sa cybersecurity

Ang lahat ng potensyal na ito ay may kaakibat na mahahalagang hamon at limitasyon na hindi dapat balewalain. Ang machine learning ay nangangailangan ng malalaking dami ng data upang sanayin ang magagaling na modelo, ngunit dapat itong gawin habang nirerespeto ang mga batas sa privacy at mga karapatan ng gumagamit.

May mga linya ng pananaliksik na nakatuon sa pag-anonymize ng datos ng pagsasanay at sa mga pamamaraan na pumipigil sa muling pagbuo ng personal na impormasyon mula sa mga sinanay na modelo. Gayunpaman, nagpapatuloy ang tensyon sa pagitan ng pangangailangan para sa datos at ang proteksyon ng privacy, at dapat regular na suriin ng mga kumpanya ang kanilang mga patakaran at legal na balangkas.

Isa pang problema ay ang kakulangan ng mga tauhang may dalawahang kadalubhasaan: AI at cybersecurity . Ang pandaigdigang demand ay higit na lumalampas sa supply, na maaaring humantong sa mga mahinang implementasyon, mga modelong hindi nababagay, o labis na pag-asa sa mga ikatlong partido na walang sapat na internal na kontrol.

Bukod pa rito, ang AI ay hindi naman permanente: ginagamit din ito ng mga umaatake upang subukan ang mga bagong variant ng malware, bumuo ng mga kapani-paniwalang phishing attack, o kahit na direktang i-target ang mga modelo (halimbawa, gamit ang mga nakalalasong datos). Samakatuwid, nananatiling mahalaga ang pangangasiwa ng tao, at dapat maunawaan ng mga koponan kung paano gumagana ang mga tool na ito upang maiwasan ang bulag na pag-asa sa mga ito.

Ang umuusbong na abot-tanaw ay isang ekosistema kung saan ang mga pangkat ng tao at AI ay magkasamang nagtutulungan : inaalagaan ng teknolohiya ang paulit-ulit, maramihan, at mabilis; ang mga tao ay nag-aambag ng konteksto, etika, pagbibigay-priyoridad, at pagkamalikhain sa pagtugon sa mga insidente.

Binabago ng pagtatagpo ng artificial intelligence at cybersecurity ang paraan ng pag-atake at pagtatanggol sa mga sistema, at lahat ng indikasyon ay nagpapakita na ang trend na ito ay bibilis sa mga darating na taon: ang paggamit nang husto sa mga kakayahang ito , pagbuo ng mga hybrid profile, pag-deploy ng mahusay na mga kasanayan sa proteksyon ng data , at palaging pagpapanatili ng isang kritikal na sangkap ng tao ang magiging susi sa kaligtasan sa isang digital na kapaligiran kung saan ang mga pagkakamali ay lalong nagiging magastos.